Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluştur

Kalabalık bir otoparkta park yeri aramak, uzun gişe kuyruklarında beklemek veya güvenlik noktalarında takılıp kalmak sinir bozucudur. Manuel araç kontrolleri genellikle çok uzun sürer ve gecikmelere neden olur. Otomatik bir sistem olmadan araçları verimli bir şekilde takip etmek zor olabilir.

Computer vision, görüntülerden ve video akışlarından gerçek zamanlı plaka tanımayı mümkün kılarak bunu değiştirdi. Örneğin, Ultralytics YOLO11, nesne algılama, sınıflandırma ve takip gibi gelişmiş görme tabanlı yapay zeka görevlerini gerçekleştirebilen gelişmiş bir bilgisayarlı görü modelidir. YOLO11'in nesne algılama yeteneklerini kullanarak, görüntülerdeki araç plakalarını doğru bir şekilde tespit edebilirsin.

Ultralytics offers comprehensive Google Colab notebooks that simplify the process of building vision AI-powered solutions. These notebooks come pre-configured with essential dependencies, models, and step-by-step guides, making creating applications easier. In particular, there is a dedicated Colab notebook for ANPR (Automatic Number Plate Recognition).

Bu makalede, ANPR için Ultralytics Colab not defterini kullanarak, plaka algılama için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini ile nasıl bir ANPR çözümü oluşturacağını keşfedeceğiz.

Link to this sectionANPR'ı anlamak#

Araçları manuel olarak takip etmek, özellikle hızlı hareket ettiklerinde zaman alıcıdır ve hatalara açıktır. Her plakayı tek tek kontrol etmek süreci yavaşlatır ve hata riskini artırır. Otomatik plaka tanıma, plakaları anında tespit etmek ve okumak için bilgisayarlı görü kullanarak bu sorunu çözer, böylece trafik izleme ve güvenliği daha verimli hale getirir.

ANPR sistemleri, geçen araçların görüntülerini veya videolarını yakalayabilir ve plakaları tanımlamak için gerçek zamanlı nesne algılamayı kullanabilir. Tespit edildikten sonra, insan müdahalesine gerek kalmadan plaka numaralarını otomatik olarak çıkarmak için metin tanıma kullanılır. Bu süreç, araçlar hızlı hareket etse veya plakalar kısmen kapalı olsa bile doğru sonuçlar sağlar.

Fig 1. YOLO11 kullanarak bir plaka tespit etme örneği.

Günümüzde gişeler, park sistemleri ve kolluk kuvvetleri, araçları verimli bir şekilde takip etmek için giderek daha fazla ANPR'a güveniyor.

Link to this sectionANPR teknolojisiyle ilgili zorluklar#

ANPR araçları hızla tanımlasa da, doğruluğunu etkileyebilecek bazı zorluklar hala mevcuttur. İşte bir ANPR sisteminin başarısını etkileyebilecek bazı yaygın sorunlar:

• Düşük ışık ve kötü hava koşulları: Plakaları gece ve kötü hava koşullarında okumak zorlaşır. Sis, yağmur ve far parlaması metni bulanıklaştırarak okunamaz hale getirebilir.
• Bulanık veya kapalı plakalar: Özellikle kameranın enstantane hızı çok düşükse, hızlı hareket eden bir araç bulanık bir görüntü oluşturabilir. Kir, çizik veya plakanın kapalı kısımları da tanıma sorunlarına yol açabilir. Doğru ayarlara sahip yüksek kaliteli kameralar kullanmak daha net sonuçlar elde etmeye yardımcı olur.
• Tutarsız plaka tasarımları: Tüm plakalar aynı görünmez. Bazıları sistemi yanıltan süslü yazı tiplerine, ekstra metinlere veya logolara sahiptir.
• Gizlilik riskleri ve veri güvenliği: Araç verilerini güvenli bir şekilde saklamak önemlidir. Doğru güvenlik önlemleri, yetkisiz erişimi engelleyebilir ve bilgileri koruyabilir. Uygun korumalarla ANPR sistemleri hem güvenli hem de güvenilir olabilir.

Link to this sectionYOLO11, ANPR sistemlerini nasıl geliştirir#

Ultralytics YOLO11, ANPR sistemlerini daha hızlı ve daha doğru hale getirebilir. Görüntüleri yüksek hassasiyetle korurken hızla işler ve ağır işlem gücü gerektirmez, bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her şeyde iyi çalışır.

Özel eğitim ile YOLO11, farklı plaka stillerine, dillere ve ortamlara uyarlanabilir. Ayrıca, bu koşulların görüntülerini içeren özel veri kümeleri üzerinde eğitildiğinde, düşük ışık, hareket bulanıklığı ve zorlu açılar gibi zorlu koşullarda da iyi performans gösterir.

Araçları anında tanımlayarak YOLO11, bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği artırmaya yardımcı olur. Bu, otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışını daha sorunsuz ve operasyonları daha verimli hale getirir.

Link to this sectionYOLO11 ve GPT-4o Mini ile ANPR sistemi oluşturma#

Şimdi, YOLO11 ve GPT-4o Mini kullanarak nasıl bir ANPR sistemi oluşturacağımızı adım adım inceleyelim.

Bu çözüm için Ultralytics Google Colab not defterinde sergilenen kodu keşfedeceğiz. Google Colab not defterinin kullanımı kolaydır ve herkes karmaşık bir kurulum gerektirmeden bir ANPR sistemi oluşturabilir.

Link to this sectionAdım 1: Ortamın kurulması#

Başlamak için, bağımlılıklarımızı veya ANPR sistemimizi çalıştırmak için gereken temel yazılım paketlerini ve kütüphaneleri yüklememiz gerekecek. Bu bağımlılıklar, nesne algılama, görüntü işleme ve metin tanıma gibi görevlere yardımcı olarak sistemin verimli çalışmasını sağlar.

Aşağıda gösterildiği gibi Ultralytics Python paketini yükleyeceğiz. Bu paket, YOLO11 ile plakaları tespit etmeyi ve tanımayı kolaylaştıran önceden eğitilmiş modeller, eğitim araçları ve çıkarım araçları sağlar.

Fig 2. Ultralytics Python paketini yükleme.

Ayrıca metin tanıma için GPT-4o Mini'yi kurmamız gerekecek. GPT-4o Mini, tespit edilen plakalardan metin çıkarmaktan sorumlu olduğu için, modele erişmek üzere bir API anahtarına ihtiyacımız var. Bu anahtar, GPT-4o Mini API'sine kaydolarak alınabilir. Anahtarı aldıktan sonra, sistemin modele bağlanabilmesi ve plaka numaralarını işleyebilmesi için Colab not defterine eklenebilir.

Kurulumu tamamladıktan ve yükleme kodunu çalıştırdıktan sonra, YOLO11 plakaları tespit etmeye ve GPT-4o Mini de onlardan metin tanımaya ve çıkarmaya hazır olacaktır.

Link to this sectionAdım 2: Özel olarak eğitilmiş modeli indirme#

Artık her şey ayarlandığına göre, bir sonraki adım plaka tespiti için özel olarak eğitilmiş YOLO11 modelini indirmektir. Bu model zaten plakaları tespit etmek için eğitildiğinden, sıfırdan eğitmenize gerek yoktur. Sadece indirmeniz yeterlidir ve kullanıma hazırdır. Bu zaman kazandırır ve süreci çok daha kolaylaştırır.

Ayrıca, sistemi test etmek için örnek bir video dosyası indireceğiz. İsterseniz, bu çözümü kendi video dosyalarınızda da çalıştırabilirsiniz. İndirildikten sonra, model ve video dosyaları not defteri ortamında depolanacaktır.

Fig 3. Modeli ve video dosyasını indirme.

Link to this sectionAdım 3: Videoyu yükleme ve tespiti başlatma#

Model hazır olduğunda, onu iş başında görme vakti gelmiştir. İlk olarak, düzgün açıldığından emin olmak için video dosyası işlenmek üzere yüklenir. Ardından, tespit edilen plakalarla işlenmiş görüntüleri orijinal boyut ve kare hızını koruyarak kaydetmek için bir video yazıcı kurulur. Son olarak, videonun her karesindeki plakaları tespit etmek için model yüklenir.

Fig 4. Videoyu okuma ve modeli yükleme.

Model yüklendikten sonra sistem, plakaları tespit etmek için videonun her karesini analiz etmeye başlar. Bir plaka bulunduğunda, sistem onu bir algılama kutusuyla vurgulayarak tanımlamayı kolaylaştırır. Bu adım, yalnızca ilgili ayrıntıların yakalanmasını sağlayarak gereksiz arka plan bilgilerini filtreler. Plakalar başarıyla tespit edildiğinde, video bir sonraki aşama için hazırdır.

Link to this sectionAdım 4: Plakalardan metin çıkarma#

Bir plaka tespit edildikten sonra bir sonraki adım metin tanımadır. Sistem önce plakayı video karesinden kırparak net bir görüntü için dikkat dağıtıcı unsurları kaldırır. Bu, düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırarak ayrıntılara odaklanmaya yardımcı olur.

Plaka izole edildikten sonra, GPT-4o Mini görüntüyü analiz eder, sayıları ve harfleri çıkarır ve bunları okunabilir metne dönüştürür. Tanınan metin daha sonra videoya geri eklenir ve tespit edilen her plakayı gerçek zamanlı olarak etiketler.

Bu adımlar tamamlandığında, ANPR sistemi tamamen işlevsel hale gelir ve plakaları kolaylıkla tanımaya hazır olur.

Link to this sectionAdım 5: İşlenmiş videoyu kaydetme#

Son adım, işlenmiş videoyu kaydeder ve her şeyin sorunsuz çalışmasını sağlamak için geçici dosyaları temizler.

Tespit edilen plakalar ve tanınan metinlerle birlikte her işlenmiş kare, nihai çıktı videosuna yazılır. Tüm kareler işlendikten sonra sistem, okuduğu video dosyasını kapatarak bellek ve sistem kaynaklarını serbest bırakır. Ayrıca çıktı videosunu sonlandırır ve kaydeder, böylece oynatılmaya veya daha fazla analiz edilmeye hazır hale getirir.

Fig 5. ANPR için YOLO11 ve GPT-4o Mini kullanma.

Link to this sectionBir ANPR sistemi dağıtma#

Bir ANPR çözümü oluşturup test ettikten sonra, bir sonraki adım onu gerçek bir ortama dağıtmaktır. Çoğu görüntü tabanlı yapay zeka modeli yüksek performanslı hesaplamaya güvenir, ancak Ultralytics YOLO11, Uç Yapay Zekası için optimize edilmiştir. Bulut işleme veya sürekli internet bağlantısı gerektirmeden küçük cihazlarda verimli bir şekilde çalışabilir, bu da onu sınırlı kaynaklara sahip yerler için harika bir seçenek haline getirir.

Örneğin, güvenlikli bir site, büyük sunuculara ihtiyaç duymadan araçları girişte tanımlamak için YOLO11'i bir uç cihaz üzerinde dağıtabilir. Her şey yerinde ve gerçek zamanlı olarak işlenir, bu da sorunsuz erişim, daha az yoğunluk ve gelişmiş güvenlik sağlar.

Fig 6. YOLO11 ile plaka tespiti.

Bu arada, kararlı internet bağlantısına sahip alanlarda, bulut tabanlı ANPR birden fazla kamerayı aynı anda yönetebilir. Örneğin, bir alışveriş merkezinde, farklı girişlerdeki araçları takip edebilir ve plaka numaralarını merkezi bir sistemde saklayabilir, bu da otoparkı izlemeyi, güvenliği artırmayı ve araç akışını uzaktan yönetmeyi kolaylaştırır.

Link to this sectionANPR için yol haritası#

Otomatik plaka tanıma (ANPR) sistemi kurmak Ultralytics YOLO11 ile basittir. Plakaları doğru bir şekilde tespit eder ve farklı ortamlara ve gereksinimlere uyum sağlaması için özel olarak eğitilebilir.

ANPR sistemleri güvenliği artırır, otopark yönetimini kolaylaştırır ve trafik izlemeyi iyileştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve araç takibini çeşitli uygulamalarda daha verimli hale getirirler.

Yapay zekayı çalışırken görmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Lisanslama seçeneklerimizi incele ve üretimde görüntü tabanlı yapay zeka ve sürücüsüz araçlarda yapay zeka hakkında daha fazlasını çözüm sayfalarımızda keşfet.